董兵兵:国内AI大模型落地的三重困局与破局之道 | 洞见

对数据规模的盲目崇拜

  自ChatGPT引发全球关注以来，“大模型”三个字中的“大”字，几乎成了一种不言自明的褒义词。参数越多越好，语料越广越强，tokens烧得越多越显诚意——这套逻辑在相当长的一段时间里，主导了国内AI产业的资源配置方式。

  诚然，大规模数据训练赋予了大模型超越传统方法的泛化能力与涌现特性，但当这种对“大”的追求从技术手段异化为产业信仰，问题便随之而来。

首先，数据规模与数据质量之间存在着被严重低估的张力。

  国内大模型训练所依赖的语料库中，相当比例来源于互联网公开数据。这些数据中充斥着营销软文、过时法规、虚假信息乃至纯粹的网络垃圾。

  当这些低质量语料被不加甄别地灌入模型，其结果不是智能的增强，而是“幻觉”的系统性放大。一个在错误信息上训练出来的模型，其输出越流畅、越自信，危害可能越大。

  例如，一个为财务审计场景开发的智能体，如果其训练数据中混入了大量不规范甚至造假的财务案例，而又缺乏会计准则的刚性约束，那么它学到的可能不是如何识别造假，而是如何更巧妙地造假。

  这绝非危言耸听——当模型不被告知何为正确，它便只能在统计概率中寻找最可能的回答，而最可能的回答未必是正确的回答。

其次，数据的“大”并不等同于数据的“全”。这一点在垂直领域尤为突出。

  以银行授信模型为例，国内商业银行积累的海量信贷数据，其主体往往是城镇居民和一定规模以上的企业。数据量看似庞大，实则存在严重的结构性偏差——县域小微企业、新市民群体、农村经营主体的数据严重缺失。

  在这样的数据基础上训练出的模型，不可避免地会复制甚至强化既有的信贷歧视：已经容易获得贷款的群体更容易被模型“推荐”，而真正需要金融服务的长尾群体则被算法系统性地排斥在外。数据上的“大”掩盖了覆盖上的“小”，规模上的丰富掩盖了结构上的贫瘠。

再者，对大数据的迷信忽视了“小数据”和人类洞察力不可替代的价值。

  马丁·林斯特龙在《Small Data》一书中深刻指出，真正触达消费者内心需求的商业洞察，往往来自对少数个案的深度观察，而非对海量数据的统计回归。

  大模型擅长在已有模式中寻找规律，但面对真正的创新——那些尚未被数据记录的需求、尚未被市场验证的可能——它是无能为力的。

  把大数据当作“免死金牌”，本质上是用归纳逻辑取代了创新逻辑，用过去的经验圈定了未来的边界。

最后，从经济效率的角度看，“唯大是图”正在制造触目惊心的成本黑洞。

  千亿级tokens的一轮训练动辄耗资数千万元，而上线后在特定任务上的准确率提升可能仅有一到两个百分点。

  大模型是数据、算法、算力三位一体的系统工程，片面追求数据规模而忽视算法精度与算力效率的平衡，不仅是技术上的偏颇，更是资源上的巨大浪费。

  在很多垂直场景中，经过精心设计的小模型配合高质量小数据，完全可以实现更优的性价比。

对供给侧逻辑的路径依赖

  如果说第一重困局是技术层面的认知偏差，那么第二重困局则揭示了更深层次的产业逻辑缺陷：中国AI大模型的发展呈现出显著的供给侧偏重，而对需求侧的关注严重不足。

  当前国内AI产业的基本叙事是这样的：企业通过部署大模型来降低成本、提升效率、优化流程，进而增强竞争力。

  这套逻辑本身没有错，但问题在于，当几乎所有企业都沿着同一逻辑路径疯狂投入时，结果不是竞争优势的构建，而是一场规模空前的“囚徒困境”。

  也许一周之内可以涌现出五十个功能高度雷同的“文旅大模型”，每一个都声称能写攻略、做PPT、生成行程；几十家企业可能同时宣布推出“金融大模型”，功能无非是智能客服、风控报告、舆情监测。同质化率之高令人瞠目，而真正具有差异化价值的创新寥寥无几。

  更令人忧虑的是，这种供给侧的疯狂内卷并未催生出有意义的新需求。我们需要追问一个根本性的问题：AI和智能体的广泛应用，究竟有没有创造出真正的“新消费”？有没有激发出人们此前不曾意识到的需求？有没有催生出年销售额达到百亿量级的新品类？遗憾的是，答案基本是否定的。

  除了对算力本身的需求增长——这本质上仍是供给链条的延伸——AI目前在中国消费市场上并未展现出“需求创造”的变革力量。

  这一困局的根源在于，中国AI产业在很大程度上重蹈了过往产业发展的旧辙。从光伏到新能源汽车，从共享经济到社区团购，“一拥而上、疯狂扩产、价格战、大面积亏损、行业出清”的周期性循环几乎成了中国新兴产业的宿命剧本。

  AI产业正在上演同样的戏码：所有企业都在拼命投入，都想当最后的幸存者，结果是几乎所有智能体企业都在“减员增效”——用AI来裁人，在已经过剩的产能上进一步堆叠过剩，企业利润被挤压到破产边缘。

  大公司凭借资源优势碾压小公司，不但造成严重的社会资源浪费，还对优质创新企业形成了极为恶劣的挤出效应。与供给侧的“喧嚣”形成鲜明对比的是，需求侧的扶持和创新几乎为零。

  当大量补贴和政策资源流向供给端的模型研发和算力建设时，需求端的培育和激发几乎被完全忽视。没有“AI消费券”来降低普通用户的使用门槛，没有系统性的AI素养教育来打开需求空间，更没有政策工具来引导企业从“造工具”转向“造场景”。

  归根结底，供给侧的创新如果不能最终转化为需求侧的价值，那它就不是真正的创新，而只是一种昂贵的自我循环。当所有人都在造锤子的时候，真正稀缺的不是更好的锤子，而是能够发现新钉子的洞察力。中国AI产业迫切需要从“能做什么”的技术驱动逻辑，转向“该为谁做、为什么做”的需求驱动逻辑。

对分配问题的系统性忽视

  如果前两重困局主要涉及技术策略和产业政策层面，那么第三重困局则触及了更为根本的政治经济学命题：AI大模型的应用正在急剧放大生产效率的同时，对由此引发的分配问题几乎完全失语。

  从马克思主义政治经济学的视角看，任何生产力的重大飞跃都必然要求生产关系的相应调整，其中最核心的就是分配关系的重构。

  蒸汽机催生了工厂法和工会运动，电力革命推动了福利国家的建立，信息技术革命则引发了知识产权体系的全面重塑。那么，AI革命对分配关系的重构要求是什么？在中国，这个问题几乎无人认真回答。

当前最突出的分配失衡体现在数据价值的“白嫖”问题上。

  大模型的核心资产是数据，而这些数据的真正创造者是亿万普通用户——他们的搜索记录、消费行为、社交互动、出行轨迹，构成了训练大模型所需的核心语料。

  然而在现行体制下，这些数据被平台企业几乎无偿地获取和使用，由此产生的商业价值几乎百分之百归属于平台，数据的真正创造者不仅未获得任何收益分享，甚至连基本的知情权都难以保障。

  这种“数据剥削”的本质，与早期资本主义的劳动剥削并无二致——只不过被剥夺的不再是体力劳动的剩余价值，而是数据劳动的信息价值。

第二重分配失衡体现在AI驱动的“减员增效”对劳动者的冲击上。

  当一家企业宣布用AI客服替代五千名人工客服，股价应声上涨百分之二十时，一个尖锐的问题便无可回避：效率提升所创造的价值增量，究竟归谁所有？

  在当前的制度安排下，答案几乎是单一的——归股东所有。被替代的劳动者不仅失去了工作，往往还面临零补偿或极低补偿的困境；而那些因技术升级而获得更高生产力的岗位，其薪酬增长也远远滞后于资本回报率的增长。

  AI正在加速“利润归资本、风险归劳动”的分配格局固化。

  更为深层的问题在于，当前几乎没有任何大模型应用试图去解决分配问题本身。在无数的AI应用场景中——智能客服、自动写作、代码生成、图像创作——我们看到的都是生产效率的提升工具。

  然而，有谁开发了一个“收益分配模拟器”？有谁构建了一个能够根据数据贡献度自动计算分润的智能合约？有谁用大模型来探索土地经营权的动态分红方案、产权分割的最优路径、或者全民基本收入的可行性模型？答案几乎为零。这不是技术上做不到，而是在整个产业的价值导向中，“分配”从一开始就没有被纳入考量。

  这种分配缺位的危害是深远的。短期内，它制造了日益严重的社会不平等，动摇了公众对技术进步的信任；中期来看，它抑制了消费能力和有效需求，反过来制约了AI产业本身的市场空间——一个日益贫困化的消费者群体，不可能支撑起一个日益膨胀的AI产业；长期而言，它可能引发严重的社会反弹，以“数据税”“就业税”“AI超额利润税”等形式反噬整个行业。与其等到被动征税，不如主动建立分配机制。

破局之道

在数据治理层面，亟需建立“数据营养标签”制度。

  任何进入模型训练的语料，都应接受时效性、地域覆盖度、信源等级、业务相关性和人工复核度等多维度的质量评估。

  与此同时，每一个垂直领域的大模型，在大规模数据训练之前，都应先注入经过专家验证的“黄金标准”规则集，以此作为模型认知的“锚点”，防止幻觉在开放数据中无限放飞。

  在宏观层面，国家应当审慎处理数据流通与数据安全之间的关系，避免过度管制导致的数据孤岛效应——数据的闭锁与偏颇，对大模型的长期健康发展是致命的。

在产业政策层面，需要从供给侧偏重转向供需两端协同发力。

  一方面，对通用大模型实施适度的准入管理，遏制无序扩张和同质化内卷；另一方面，创新性地设立需求侧激励机制——例如面向普通消费者的“AI消费券”，定向支持非搜索、非聊天类的原生AI服务，倒逼企业从模型竞赛转向场景创新。

  更重要的是，建立常态化的“AI新需求监测”机制，一旦发现某一AI应用催生了品类级的新消费，即给予政策层面的快速响应和重点扶持。让市场信号而非技术参数，成为引导资源配置的核心指针。

在分配制度层面，最核心的举措是建立“数据分润”的强制性标准。

  任何商用大模型都应预留数据贡献度评估和收益返还的技术接口，使数据的创造者能够以现金、服务抵扣或公益捐赠等形式分享模型商业化的收益。

  与此同时，对因AI应用带来的“减员增效”部分，应探索建立阶梯式的就业调节税，所得资金定向用于被替代劳动者的再就业培训和社会保障。

  更为前瞻性的做法是，允许地方政府开展“AI+分配”的制度实验——例如利用大模型和区块链技术，对农村土地经营权、集体资产收益进行动态分配的试点。

  技术从来不是中性的。同样一把锤子，可以建造房屋，也可以砸碎窗户。决定技术走向的，不是算法的精度，而是制度的设计和价值的选择。

  中国AI大模型产业正站在一个关键的分岔路口。一条路是继续沿着“数据越大越好、供给越多越强、分配以后再说”的惯性狂奔，其结局大概率是一场更大规模的产能过剩、更严重的社会撕裂、以及更猛烈的政策反噬。

  另一条路是在技术狂飙中适时踩下刹车，以数据质量取代数据规模、以需求创造取代供给内卷、以公平分配取代赢家通吃，真正让大模型成为推动经济高质量发展和社会共同富裕的引擎。

  大数据不是护身符，供给侧的内卷制造不出新需求，回避分配问题的AI终将被“数据税”和“就业税”反噬。唯有先立数据治理之规、再兴需求创新之策、终建公平分配之制，中国的AI大模型才能从“烧钱幻觉”走向“共同富裕”的星辰大海。这不仅是技术问题，更是一道关乎国运的时代命题。